CONFUSÃO. CONFUSÃO Pode levar à observação de diferenças aparentes, quando elas não existem, ou ausência de diferença, quando ela existe. Pode levar à.

Apresentação em tema: "CONFUSÃO. CONFUSÃO Pode levar à observação de diferenças aparentes, quando elas não existem, ou ausência de diferença, quando ela existe. Pode levar à."— Transcrição da apresentação:

1 CONFUSÃO

2 CONFUSÃO Pode levar à observação de diferenças aparentes, quando elas não existem, ou ausência de diferença, quando ela existe. Pode levar à observação de diferenças aparentes, quando elas não existem, ou ausência de diferença, quando ela existe.

3 ENURESE NOTURNA OR=2,4 PRESENTEAUSENTE LENTES BIFOCAIS SIM1783100 NÃO16184200 33267300

4 ENURESE NOTURNA OR=2,4 OR=1OR=1 < 60 ANOS Enurese SIMNAO SIM11920 NÃO8152160 9171180 PRESENTEAUSENTE LENTES BIFOCAIS SIM1783100 NÃO16184200 33267300 ≥ 60 ANOS Enurese SIMNAO SIM166480 NÃO 83240 2496120

5 Critérios para ser confusão: 1. O fator deve ser determinante (fator de risco ou correlacionado a fator de risco) para a doença. – Isto é, a associação entre o fator de confusão e a doença deve ser observada nos não expostos

6 Enurese noturna Total PresenteAusente Idade >= 60 anos 83240 < 60 anos 8152160 Total16184200 CRITÉRIO 1: IDADE E ENURESE NOTURNA NOS NÃO EXPOSTOS (não usam lentes) OR = 4,75

7 2. O fator deve ser associado à exposição em estudo na população que originou os casos. – Isto é, a associação entre o fator de confusão e a exposição deve ser observada nos não doentes.

8 Lentes bifocais Total SimNão Idade >= 60 anos 643296 < 60 anos 19152171 Total83184267 CRITÉRIO 2: IDADE E LENTES NOS NÃO DOENTES OR = 16

9 Não há confusão se apenas um dos critérios é satisfeito. Não há confusão se apenas um dos critérios é satisfeito. Se a covariada de interesse está na via intermediária entre exposição e doença, não é confusão, não deve ser ajustada. Se a covariada de interesse está na via intermediária entre exposição e doença, não é confusão, não deve ser ajustada. Quando existem múltiplos fatores de confusão, sempre que possível, deve- se avaliar influência de todos simultaneamente. Quando existem múltiplos fatores de confusão, sempre que possível, deve- se avaliar influência de todos simultaneamente.

10 MORTALIDADE POR DOENÇAS DO APARELHO CIRCULATÓRIO (DAC) E SEXO – MACEIÓ - 1980 Óbitos por DAC TotalIIncidência (por 100.000) SimNão SexoMasc414186859187273221 Fem477211040211517226 Total8913978997966890 RR = 221/226 = 0,98

11 MORTALIDADE POR DOENÇAS DO APARELHO CIRCULATÓRIO (DAC) E SEXO EM PESSOAS COM 50 ANOS OU MAIS– MACEIÓ - 1980 Óbitos por DAC TotalIncidência (por 100.000) SimNão SexoMasc35118689190401843,5 Fem41224917253291626,6 Total7634360644369 RR = 1843,4/1626,6 = 1,13

12 Óbitos por DAC TotalIncidência (por 100.000) SimNão SexoMasc6316817016823337,4 Fem6518612318618834,9 Total128354293654421 MORTALIDADE POR DOENÇAS DO APARELHO CIRCULATÓRIO (DAC) E SEXO EM PESSOAS COM MENOS DE 50 ANOS – MACEIÓ - 1980 RR = 37,4/34,9 = 1,07

13 Óbitos por DAC TotalIncidência (por 100.000) SimNão Idade(anos) >= 50 41224917253291626,6 <506518612318618834,9 Total477211040211517 CRITÉRIO 1: DAC E IDADE NOS NÃO EXPOSTOS (SEXO FEMININO) RR = 1626,6/34,9 = 46,6

14 SexoTotal Homens por 100 habitantes MascFem Idade>=5018689249174360642,9 <5016817018612335429347,5 Total186859211040397899 CRITÉRIO 2: SEXO E IDADE NOS NÃO DOENTES (QUE NÃO MORRERAM DE DAC) RP = 42,9 / 47,5 = 0,90

15 Abordagens para controlar confusão: Na fase de desenho: restrição da amostra a certos níveis de co-variadas restrição da amostra a certos níveis de co-variadas pareamento pareamento amostra aleatória amostra aleatória

16 Controle estatístico na fase de análise dos dados - -Neutralização das variáveis que estão distribuídas desigualmente entre os grupos. - -Técnicas mais empregadas:   Estratificação;   Análise multivariada.

17 Estratificação na fase de análise dos dados Formação de subgrupos – em função de características que se queira analisar. Por exemplo: separar obesos e não obesos, cardiopatas e não cardiopatas, fumantes e não fumantes, etc.

18 Confrontação dos resultados no interior de cada uma das categorias formadas. Por exemplo: cálculo da medida de efeito entre os obesos, cálculo da medida de efeito entre os não obesos e comparação das medidas. Estratificação na fase de análise dos dados

19 Possibilita verificar o efeito de uma exposição sobre o risco de desenvolvimento de uma doença, neutralizando o efeito de outra exposição (suspeita de ser confundidora) Possibilita verificar o efeito de uma exposição sobre o risco de desenvolvimento de uma doença, neutralizando o efeito de outra exposição (suspeita de ser confundidora)

20 Estratificação na fase de análise dos dados Exemplo: café, fumo e doença cardiovascular Exemplo: café, fumo e doença cardiovascular Beber café fator causal de doença cardiovascular?

21 Tabela – Incidência de infarto do miocárdio em relação ao consumo de café. Consumo diário de 10 ou mais xícaras Coeficiente anual por 100 mil habitantes Sim200 Não100 Risco relativo = 200 / 100 = 2,0

22 Fatos conhecidos:   Estreita relação entre tomar café e fumar;   Grandes fumantes têm maior incidência de infarto (Tabela). Tabela – Incidência de infarto do miocárdio em relação ao hábito de fumar. Hábito de fumar Coeficiente anual por 100 mil habitantes Sim300 Não50 Risco relativo = 300 / 50 = 6,0

23 Separação dos efeitos do café e do fumo sobre o infarto do miocárdio (Tabela). Tabela – Incidência de infarto do miocárdio (por 100 mil habitantes-ano) em relação ao consumo diário de café e ao hábito de fumar Consumo diário de 10 ou mais xícaras Hábito de fumar SimNão Sim31048 Não29055 RR (tomam café) = 310 / 48 = 6,5 RR (não tomam café) = 290 / 55 = 5,3

24   Incidência de infarto do miocárdio entre fumantes é alta, independente de ele ser bebedor ou não de café.   Associação entre beber café e infarto é não causal.   No exemplo – uso da análise estratificada para examinar a associação entre beber café e ter infarto.   Estratificação: permite isolar o efeito, se existente, do consumo de café na ocorrência de infarto do miocárdio, independente do hábito de fumar. Estratificação na fase de análise dos dados

25 Estimativa ajustada das medidas de efeito Método de Mantel-Haenszel – estimativa das medidas de efeito por estratificação, controlando-se o efeito da variável de confundimento. Método de Mantel-Haenszel – estimativa das medidas de efeito por estratificação, controlando-se o efeito da variável de confundimento.

26 Método de Mantel-Haenszel Formação de estratos da variável de confudimento. Formação de estratos da variável de confudimento. Cálculo do risco relativo ou odds ratio no interior de cada estrato para verificar associação entre exposição e doença (tb em cada estrato). Cálculo do risco relativo ou odds ratio no interior de cada estrato para verificar associação entre exposição e doença (tb em cada estrato).

27 Método de Mantel-Haenszel Combinação das estimativas de risco relativo, ou de Odds Ratio, de todos os estratos. Combinação das estimativas de risco relativo, ou de Odds Ratio, de todos os estratos. Média ponderada global – neutralização do efeito da variável de confudimento. Média ponderada global – neutralização do efeito da variável de confudimento.

28 Estratificação: dificuldades Processo trabalhoso quando há muitas variáveis; Processo trabalhoso quando há muitas variáveis; Poucos indivíduos em cada estrato – estimativa da medida de efeito imprecisa Poucos indivíduos em cada estrato – estimativa da medida de efeito imprecisa

29 Análise multivariada Muitos fatores a serem analisados – variáveis explicativas discretas e contínuas. Muitos fatores a serem analisados – variáveis explicativas discretas e contínuas. Produto final – estimativa do RR ou do OR entre exposição e doença – neutralização das variáveis de confundimento. Produto final – estimativa do RR ou do OR entre exposição e doença – neutralização das variáveis de confundimento. Determinação do efeito isolado da exposição no desenvolvimento da doença, independente do efeito de outros fatores. Determinação do efeito isolado da exposição no desenvolvimento da doença, independente do efeito de outros fatores.

30 Análise multivariada Predição da variável de efeito (doença) - a partir de um grupo de fatores de risco. Predição da variável de efeito (doença) - a partir de um grupo de fatores de risco. Variável dependente (efeito): doença, óbito, peso ao nascer (Y). Variável dependente (efeito): doença, óbito, peso ao nascer (Y). Variáveis independentes: possíveis fatores explicativos (X). Variáveis independentes: possíveis fatores explicativos (X).

31 Análise multivariada Exemplo: Mortalidade por cirrose (Y) Exemplo: Mortalidade por cirrose (Y) Sexo (X 1 ), idade (X 2 ), classe social (X 3 ) e consumo de álcool (X 4 ). Sexo (X 1 ), idade (X 2 ), classe social (X 3 ) e consumo de álcool (X 4 ). Proporção da variação em Y que é explicada por X 1 (por exemplo), quando as demais (X 2, X 3 e X 4 ) são mantidas constantes. Proporção da variação em Y que é explicada por X 1 (por exemplo), quando as demais (X 2, X 3 e X 4 ) são mantidas constantes. Efeito isolado de X 1 sobre Y. Efeito isolado de X 1 sobre Y.

32 Variável dependente quantitativa Exemplo: fatores associados ao peso ao nascer. Exemplo: fatores associados ao peso ao nascer. Possíveis fatores explicativos: tempo de gestação, estado nutricional da mãe e do pai, tabagismo da mãe, intercorrências durante a gravidez, atenção à saúde recebida, classe social, etc. Possíveis fatores explicativos: tempo de gestação, estado nutricional da mãe e do pai, tabagismo da mãe, intercorrências durante a gravidez, atenção à saúde recebida, classe social, etc.

33 Variável dependente quantitativa Quanto da variação do peso está associada aos fatores explicativos. Quanto da variação do peso está associada aos fatores explicativos. Avaliar se a contribuição de um determinado parâmetro é estatisticamente significante. Avaliar se a contribuição de um determinado parâmetro é estatisticamente significante. Variáveis não significantes – retiradas. Variáveis não significantes – retiradas.

34 Variável dependente qualitativa Variável dependente expressa em categorias (mais comum). Variável dependente expressa em categorias (mais comum). Variáveis dicotômicas - vivo/morto, sadio/doente, normal/anormal, presente/ausente. Variáveis dicotômicas - vivo/morto, sadio/doente, normal/anormal, presente/ausente. Explicar a presença ou a ausência de Y em função de fatores de risco. Explicar a presença ou a ausência de Y em função de fatores de risco.

35 Regressão logística Estimativa das contribuições das variáveis independentes – predição ou explicação do efeito. Estimativa das contribuições das variáveis independentes – predição ou explicação do efeito. Resultados – informam a participação de cada variável independente no comportamento de Y. Resultados – informam a participação de cada variável independente no comportamento de Y.

36 Exemplo: Estudo de caso-controle – detecção de fatores de risco para aparecimento de fissuras orais (lábio leporino).  Entrevistadas 450 mães de casos e 450 mães de controles.  Fatores avaliados: local de moradia, poluição, aplicação de pesticida e herbicida na lavoura, doenças dos pais, doenças das mães nos quatro 1º s meses de gestação, ingesta de medicamentos, hereditariedade, tabagismo, consumo de álcool e exposição ao raio X.

37 Análise em duas etapas:  1ª etapa – tabela 2x2 entre o efeito e cada uma das variáveis dependentes – associação estatística com a presença ou ausência do efeito de fissura oral - eliminação de fatores não associados.  2ª etapa – regressão logística (Tabela) – estimativas do OR ajustadas para as variáveis de confusão incluídas na análise.

38 Tabela – Fatores associados a fissuras palatinas*. Fatores Odds ratio IC 95% Hereditariedade4,96 2,99 – 8,22 Epilepsia da mãe 2,39 1,01 – 5,69 Ingestão de droga antinflamatória 2,59 1,35 – 4,98 * Fonte: Pereira 1999

39 Regressão logística Doença – produto de múltiplas causas – identificação dos possíveis fatores envolvidos – levar em conta na análise. É possível estudar o efeito de um determinado fator na morbidade ou mortalidade, controlando-se o efeito de outros fatores. Fornece o OR e o intervalo de confiança.

40 Pareamento: Permite ajustar na hora da análise. Permite ajustar na hora da análise. Impede avaliar efeito da variável pareada. Impede avaliar efeito da variável pareada.

41 Bibliografia Gordis L. Epidemioloigia. 2º ed. Rio de Janeiro; Revinter; 2004. Medronho RA, Bloch KV, Weneck GL. Epidemiologia. Rio de Janeiro: Editora Atheneu; 2008. Pereira MG. Epidemiologia: teoria e prática. Rio de Janeiro: Guanabara; 1999.